planejamento de gastos financeiros na avicultura de … avicultura.pdf · planejamento de gastos...

Planejamento de gastos financeiros na avicultura de sete estados brasileiros: um estudo empírico baseado na análise de regressão linear múltipla e no comportamento dos custos de produção

Carmo, C.R.S; Martins, V.F; Ferreira, M.A; Soares, A,B.

Custos e @gronegócio on line - v. 8, n. 1 – Jan/Mar - 2012. ISSN 1808-2882 www.custoseagronegocioonline.com.br

119

Planejamento de gastos financeiros na avicultura de sete estados brasileiros: um estudo empírico baseado na análise de regressão linear

múltipla e no comportamento dos custos de produção

Recebimento dos originais: 21/10/2011 Aceitação para publicação: 14/05/2012

Carlos Roberto Souza Carmo Mestre em Ciências Contábeis e Financeiras pela PUC/SP

Instituição: Faculdade de Ciências Contábeis da Universidade Federal de Uberlândia Endereço: Av. João Naves de Ávila, 2121, Bloco F, Sala 1F253, Campus Santa Mônica

Uberlândia/MG. CEP: 38408-100. E-mail: [email protected]

Vidigal Fernandes Martins

Mestre em Engenharia de Produção pela Universidade Federal de Santa Catarina Instituição: Faculdade de Ciências Contábeis da Universidade Federal de Uberlândia

Endereço: Av. João Naves de Ávila, 2121, Bloco F, Campus Santa Mônica Uberlândia/MG. CEP: 38408-100.

E-mail: [email protected]

Mônica Aparecida Ferreira Especialista em Controladoria e Auditoria pela FGV

Instituição: Curso de Bacharelado em Ciências Contábeis da Universidade de Uberaba Endereço: Avenida Nenê Sabino, 1801. Santa Marta

Uberaba/MG. CEP: 38050-501. E-mail: [email protected]

Adeilson Barbosa Soares

Mestre em Engenharia Elétrica pela Universidade Federal de Uberlândia Instituição: Faculdade de Ciências Contábeis da Universidade Federal de Uberlândia

Endereço: Av. João Naves de Ávila, 2121, Bloco F, Campus Santa Mônica Uberlândia/MG. CEP: 38408-100.

E-mail: [email protected]

Resumo Valendo-se das informações de custos mensais fornecidas periodicamente pela EMBRAPA e, mediante a aplicação da metodologia estatística de regressão linear múltipla, o presente trabalho teve por objetivo geral pesquisar e propor uma modelagem matemática que permitisse a previsão e o planejamento de gastos de natureza financeira incorridos na criação de frangos pelo sistema de aviários manuais, nos estados do Rio Grande do Sul, Santa Catarina, Paraná, Pernambuco, Ceará, São Paulo, Minas Gerais, Mato Grosso, Mato Grosso do Sul e Goiás. Sendo que, ao final da pesquisa, caso fossem analisadas somente as estatísticas relativas ao coeficiente de determinação, erro padrão, a estatística t e testes de significância de coeficientes, seis dos sete modelos pesquisados seriam considerados válidos.




120

Contudo, mediante o aprofundamento dos testes estatísticos escolhidos para realização desta pesquisa foi possível concluir que, a partir do comportamento dos custos relacionados à produção de frangos para abate, não foi possível conceber uma modelagem que se caracterizasse como previsora de despesas financeiras relacionadas a este tipo de agronegócio. Mesmo diante de resultados negativos com relação à pesquisa de modelos preditivos, puderam ser levantadas importantes evidências a partir da aplicação dos testes de estatística VIF e Tolerância, teste Breusch-Pagan e o teste de Durbin-Watson.

Palavras-chave: Custos de produção. Avicultura. Métodos Quantitativos.

1. Introdução

O agronegócio brasileiro é responsável por um em cada três reais gerados no país. Ele

também é responsável por 33% do Produto Interno Bruto (PIB), 42% das exportações totais e

37% dos empregos brasileiros (Brasil, 2006). O país também lidera o ranking das vendas

externas de milho, algodão, tabaco, carne bovina e carne de frango, entre outros produtos.

Mesmo diante de todo esse ambiente econômico favorável, geralmente a gestão de

empreendimentos rurais concentra-se na administração dos fatores produtivos sem, contudo,

prestar maior atenção ao planejamento e ao controle de custos. Adicionalmente, neste mesmo

segmento econômico, percebe-se que a demanda é variável e os custos operacionais e

financeiros mostram-se cada vez mais elevados. Diante disso, espera-se que os

empreendedores do agronegócio brasileiro busquem ferramentas de apoio a tomada decisões

que sejam capazes de avaliar e direcionar o seu desempenho econômico e financeiro.

Com vistas ao cenário identificado acima, torna-se relevante a realização de pesquisas

gerenciais que possibilitam os gestores do agronegócio melhorarem seus resultados perante as

turbulências (climáticas, financeiras e políticas) que impactam o setor. Nesse contexto, a

“Embrapa Suínos e Aves” - divisão descentralizada da Empresa Brasileira de Pesquisa

Agropecuária (Embrapa) - busca viabilizar soluções para a sustentabilidade da suinocultura e

avicultura brasileira mediante pesquisa, desenvolvimento e inovação de tecnologias

produtivas e de gestão, bem como, o fornecimento de informações que possam orientar o

produtor rural concentrado nestes dois ramos da agropecuária nacional (EMBRAPA, 2010).

Em uma tentativa de orientar as decisões dos produtores rurais relacionados à

avicultura de corte, anualmente, a divisão de suínos e aves da Embrapa, em conjunto com a

Companhia Nacional de Abastecimento (CONAB), calcula e informa o “custo mensal de




121

produção de frangos de corte” em três sistemas de produção (manual, automático e

climatizado), em dez estados da federação.

Valendo-se das informações de custos mensais fornecidas periodicamente pela

EMBRAPA (disponibilizadas no seu site) e, mediante a aplicação da metodologia estatística

de regressão linear múltipla, o presente trabalho de pesquisa tem por objetivo geral pesquisar

e propor uma modelagem matemática que possa permitir a previsão e o planejamento de

gastos de natureza financeira incorridos na criação de frangos pelo sistema de aviário manual,

nos estados do Rio Grande do Sul (RS), Santa Catarina (SC), Paraná (PR), Pernambuco (PE),

Ceará (CE), São Paulo (SP), Minas Gerais (MG), Mato Grosso (MT), Mato Grosso do Sul

(MS) e Goiás (GO).

Para tanto, este trabalho tomou como ponto de partida o seguinte questionamento

direcionador: levando-se em consideração os dados de custos, disponibilizados pela Embrapa

e pela CONAB, referente a empreendimentos cuja atividade operacional consista da criação

manual de frangos para abate, é possível conceber um modelo matemático capaz de linearizar

os “gastos de natureza financeira” incorridos neste tipo atividade agropecuária?

2. Procedimentos Metodológicos

Para responder à questão-problema proposta para esta pesquisa, inicialmente,

procedeu-se à revisão bibliográfica da temática envolvendo custos aplicados a agronegócio

que voltados para a criação de aves. A seguir, ainda no campo da pesquisa bibliográfica, foi

desenvolvido o embasamento teórico sobre a metodologia estatística da regressão linear e,

ainda, a sua aplicabilidade no processo análise e estimação de custos.

Para realização deste estudo, foi considerada como população de dados o conjunto de

informações relativas ao custo mensal (fixos+variáveis) da produção de frangos de corte,

referentes ao período compreendido entre os anos de 2006 e 2009, disponibilizadas

anualmente pela Embrapa Suínos e Aves, em conjunto com a Companhia Nacional de

Abastecimento. Destaca-se que os dados de custos analisados inicialmente neste trabalho

referiram-se aos estados do Rio Grande do Sul (RS), Santa Catarina (SC), Paraná (PR),

Pernambuco (PE), Ceará (CE), São Paulo (SP), Minas Gerais (MG), Mato Grosso (MT), Mato

Grosso do Sul (MS) e Goiás (GO).




122

Os dados não sofreram qualquer tipo de tratamento, caracterizando-se, assim, como a

“matéria-prima” básica (fontes primárias de informações) para a identificação dos custos fixos

totais, dos custos variáveis totais, e, ainda, dos “gastos financeiros” (despesas) relacionados

ao processo produtivo alvo da análise deste trabalho.

Após a identificação dos dados de custos, foi aplicada a metodologia estatística da

análise de regressão linear múltipla para verificação do grau de relacionamento entre as

variáveis de custos estudadas e, ainda, para a identificação da equação capaz de linearizar o

comportamento dos “gastos financeiros” (despesas) em função do comportamento dos custos

de produção (fixos e variáveis).

Para validação das modelagens pesquisadas, além das análises envolvendo o

coeficiente de determinação (R2), erro padrão (Std. Err.), a estatística t e testes de

significância de coeficientes (P>|t|), foram realizados testes estatísticos envolvendo a análise

de presença de multicolinearidade (estatísticas VIF – variance inflation factor – e Tolerância

– tolerance), heterocedasticidade (teste Breusch-Pagan) e autocorrelação de resíduos

(estatística d de Dubin-Watson).

Observa-se que a aplicação de método estatístico relativo à análise de regressão linear

múltipla requer a utilização de um software que proporcione precisão e agilidade no processo

de compilação, análise e validação dos dados da amostra escolhida. Para tanto, o software

utilizado para esta finalidade foi o STATA®, versão 11.2 Especial Edition. Sendo que, a

escolha do STATA se procedeu devido à sua capacidade de resolver desde tarefas simples

como o cálculo de média, desvio padrão, testes de hipótese para médias e proporções, etc., até

a aplicação de técnicas estatísticas mais sofisticadas, por exemplo, análise de variância,

regressão linear múltipla, regressão logística, regressão não-linear, etc.

Martins (2000, p. 26) observa que pesquisas do tipo “empírico-analíticas”

caracterizam-se, principalmente, pela coleta, tratamento e análise de dados de forma

predominantemente quantitativa. Segundo Lakatos e Marconi (2008, p. 269), “no método

quantitativo, os pesquisadores valem-se de amostras amplas e de informações numéricas

[...]”. Diante do observado por Martins (2000), Lakatos e Marconi (2008), a presente pesquisa

pode ser classificada como um trabalho de natureza empírico-analítica, devidamente apoiada

em métodos quantitativos estatísticos.




123

3. Plataforma Teórica

Com o objetivo de avaliar se a apuração dos custos na produção de ovos férteis era

realizada de maneira adequada, após levantarem os dados e informações de custos de uma

empresa avícola considerada líder nacional na comercialização de pintos de um dia, ovos

férteis e matrizes de corte, Silva et al (2005) constataram que o sistema de custeio adotado

pela empresa era o custeamento por absorção e propuseram a mudança desta sistemática para

a de custeamento variável. Após o término do trabalho, a empresa passou a adotar o modelo

proposto como uma ferramenta adicional ao processo de gestão e mensuração dos seus dados

de custos, isto, sem abandonar a sistemática de custeamento por absorção.

Por meio de um estudo caso único, Carmo et al (2008) realizaram uma pesquisa que

teve como objeto a aplicação das metodologias de custeamento por absorção, variável e

ABC em uma fazenda estrutiocultora da cidade de Uberaba-MG. Este trabalho tinha como

objetivo identificar qual daquelas três metodologias de custeamento era capaz de produzir

maiores e melhores informações voltadas para a tomada de decisões gerenciais. Ao final, os

autores constaram que a metodologia de custeamento baseado em atividades (ABC)

produziu a maior quantidade de informações relevantes para a tomada de decisões

gerenciais neste tipo de negócio pecuário. Constatou-se, também, que o custeamento baseado

em atividades (ABC) poderia ser aplicado de forma satisfatória a partir de pequenos ajustes e

procedimentos de tratamentos nas informações levantadas para a aplicação das metodologias

de custeamento por absorção e variável.

Hofer et al (2006), também no campo de pesquisa empírica aplicada à criação de aves,

elaboraram um estudo de caso sobre a atividade estrutiocultora enfocando o controle de custos

e a viabilidade econômica do negócio. Neste trabalho, concluiu-se que a atividade era viável

para a empresa analisada, entretanto, necessitava da implantação de um sistema de controle de

custos para auxiliar a tomada de decisões, bem como para controle do plantel.

Percebe-se que o levantamento de informações gerenciais voltadas para o apoio à

tomada de decisões no agronegócio deve ir além da contabilidade e dos sistemas de custeio

tradicionais.

Ao analisar o comportamento de custos e metodologias de custeamento voltadas para a

gestão de empreendimentos em geral, Martins (2003) observa que os custos podem assumir

dois comportamentos básicos em relação ao volume de atividade de uma entidade: eles podem

ser fixos ou variáveis. Ou seja, aqueles custos relacionados às condições necessárias à




124

operação do processo produtivo (estrutura produtiva) e aos períodos de produção, devido a

sua natureza repetitiva, são chamados de custos fixos. Por outro lado, os custos variáveis

tendem a apresentar um comportamento muito bem definido e relacionado ao volume de

atividade, ou seja, quanto maiores os volumes de atividade, maiores os montantes de custos

variáveis.

Ao abordarem a análise do comportamento dos custos, sua previsão e o processo

decisório, Horngren et al (2004, p. 28) afirmam que “[...] pesquisas de práticas empresariais

indicam que a identificação de um custo como variável ou fixo ajuda na previsão de custos

totais e na tomada de muitas decisões administrativas.”

Analisando os métodos empregados para a estimativa de custos como ferramentas de

apoio à tomada de decisões, Jiambalvo (2009) destaca que um componente crítico desse

processo é a identificação e separação do montante dos custos fixos e o montante dos custos

que possuem comportamento variável. Tudo isso em relação a algum parâmetro direcionador

de custo; normalmente, o volume de atividade de um negócio. O autor ainda destaca três

técnicas mais usuais para a identificação e estimação de custos fixos e variáveis: (i) análise

de contas; (ii) método dos pontos máximos e mínimos; e (iii) análise de regressão.

Sobre o método da análise de contas, Jiambalvo (2009) afirma que ele consiste em

classificar os custos como fixos e variáveis mediante a análise dos registros da contabilidade.

Horngren et al (2004) ressaltam que, como o próprio nome indica, esta técnica busca

informações no sistema contábil da entidade para tentar identificar o comportamento de cada

custo incorrido, valendo-se do senso profissional de cada analista.

Com referência ao método dos pontos máximos e mínimos, Jiambalvo (2009, p. 100)

descreve que, valendo-se de um gráfico de dispersão em que as quantidades de direcionadores

de custos escolhidos são indicadas no eixo das abscissas e os valores totais dos custos totais

são indicados no eixo das ordenadas, são plotados “pontos de custos” tomando por base uma

série histórica de dados, e, a partir dos custos originados no maior e no menor nível de

atividade, traça-se uma reta de forma a aproximar-se o máximo possível de todos os demais

pontos. Sendo que, nessa sistemática, a inclinação da reta é determinada pela estimativa de

custo variável em relação às unidades de direcionadores de custos escolhidos, e o ponto de

interseção com o eixo das ordenadas é determinado pelo total dos custos fixos.

Em relação ao método de análise por regressão, Jiambalvo (2009) observa que esta é

uma técnica que também utiliza pontos de dados de custos em um gráfico, identificados

mediante a análise de uma série histórica, buscando determinar a interseção e a inclinação de




125

uma reta de custos gerada a partir de uma equação. Porém, por se tratar de uma técnica

estatística, ela oferece recursos de análise mais precisos para medir a qualidade da equação

encontrada.

Maher (2001) destaca as técnicas de regressão linear como um procedimento

estatístico utilizado para gerar informações que ajudam os tomadores de decisões a determinar

a qualidade da função encontrada para a previsão de custos.

Acerca da utilização das técnicas de regressão linear como ferramentas de análise e

previsão de custos no processo de gestão, Sell (2005) afirma que elas podem ser utilizadas

para estimar o valor de uma variável em função de outra variável já conhecida, para explicar

o comportamento de valores de custos previstos e realizados e, ainda, para prever valores de

custos futuros.

Ao realizar um estudo de caso sobre uma empresa comercial com enfoque na análise

de regressão, Boente et al (2006) afirmam que, entre outras, uma das razões para se estimar

custos é a necessidade de se avaliar o impacto dos custos a partir variação do nível de

atividade.

Oliveira Filho (2002), após desenvolver um exemplo teórico cujo objetivo era

evidenciar a utilidade e aplicação da regressão linear como fonte de projeção dos custos com

base em gastos incorridos em períodos passados, observa que esta técnica é um dos métodos

quantitativos mais práticos e úteis para se realizar estimativas de custos voltadas para a

tomada de decisões que envolvam cenários futuros.

Após terem abordado a regressão linear como uma ferramenta para resolução de

problemas gerenciais, Barbosa e Assis (2000) apresentaram um exemplo prático por meio do

qual foi evidenciada a importância do uso da regressão como parte integrante do sistema de

informações das entidades e, ainda, destacaram-na como uma das fontes de recursos que

alimenta o sistema de suporte à tomada de decisões.

Para Stevenson (1986), a análise de regressão linear tem por objetivo identificar como

uma ou mais variáveis se comportam em função de alterações ocorridas no comportamento de

uma ou mais variáveis direcionadoras.

Sob uma ótica mais técnica, Downing e Clark (2006) destacam que a análise de

regressão simples é a forma mais precisa para se caracterizar e compreender o

comportamento de uma variável em função de outra(s). Os autores ainda observam que uma

vez caracterizado e bem delineado tal comportamento, produz-se uma equação que, ao traçar




126

um gráfico, identifica uma reta que se aproxima ao máximo de todos os pontos de um gráfico

de dispersão.

Conforme também observam Downing e Clark (2006, p. 263), a análise de regressão

múltipla parte do mesmo princípio que a regressão simples, porém, ela tem por finalidade

identificar o comportamento da variável estudada em função de duas ou mais variáveis.

A regressão linear simples produz uma função matemática do tipo:

Ŷ = a + bx

Nessa formulação, “Ŷ” é a variável dependente ou, ainda, variável cujo

comportamento será estudado, “b” é o coeficiente angular e “a” o intercepto do eixo das

ordenadas, “x” é a variável independente e explicativa do comportamento da variável de

estudo (BRAULE, 2001).

Na equação apresentada anteriormente, a variável “b” é aquela cujo valor que

multiplica “x” e faz com que a reta produzida, a partir da função dada, seja crescente ou

decrescente. Conforme observam Iezzi e Murakami (2004), para “b” > 0 (zero), a reta

produzida por uma função linear será crescente em relação ao ponto (0;0) de um plano

cartesiano; para “b” < 0 (zero), a reta produzida será decrescente em relação ao ponto (0;0).

Assim, “b” é o valor que multiplicado por “x” (a variável independente) produz a inclinação

da reta em relação ao eixo das abscissas.

Maher (2001, p 405) afirma que a estimativa de custos em determinado nível de

atividade dá origem à seguinte equação geral:

CT = VX + F

Ao relacionar a formulação proposta por Maher (2001) à formulação encontrada

mediante a aplicação da regressão linear simples, “CT” assume o papel da variável

dependente ou, ainda, variável cujo comportamento será estudado. A variável “V” seria o

coeficiente angular da equação de regressão. A variável “F” passa a representar o intercepto

do eixo das ordenadas que, no caso da equação geral do custo, representa o montante de

custos fixos. Finalmente, na equação geral do custo, “X” representa a variável independente e




127

explicativa do comportamento da variável de estudo, portanto, é o volume de atividade que

dará origem à reta do custo total.

Conforme já foi dito, a análise de regressão múltipla parte do mesmo princípio que a

regressão simples, porém, ela tem por finalidade identificar o comportamento da variável

estudada em função de duas ou mais variáveis. Assim, a análise de regressão múltipla produz

uma função matemática do tipo:

Ŷ = a + b1x1 + b2x2 + ... + bnxn

Nessa formulação, “Ŷ” continua sendo a variável dependente cujo comportamento

será estudado. A variável “a” continua sendo o intercepto do eixo das ordenadas. As variáveis

“b1”, “b2” e “bn” representam, respectivamente, o efeito que as variáveis “x1”, “x2” e “xn”

produzem sobre as variáveis independentes e explicativas do comportamento da variável de

estudo (DOWNING e CLARK, 2006, p. 266).

Hansen e Mowen (2003, p. 111) relacionam o ferramental estatístico da regressão

linear múltipla com a estimativa de custos e propõem uma equação do tipo:

CT = F + V1X1 + V2X2+ ... + VnXn

De forma análoga ao que foi observado no caso da aplicação da formulação da

regressão linear simples à formulação preditiva de custos proposta por Maher (2001), “CT”

assume o papel da variável dependente ou, ainda, variável cujo comportamento será estudado.

A variável “F” passa a representar o intercepto do eixo das ordenadas e, portanto, o montante

de custos fixos. As variáveis “V” representam os itens de custo por cada unidade

direcionadora escolhida e as variáveis “X” representam as medidas de produção ou de

atividade escolhidas para o processo de análise mediante a regressão linear múltipla.

Maher (2001), ao abordar o grau de confiabilidade das fórmulas de custos obtidas

mediante o uso da análise de regressão, aponta alguns indicadores a serem observados com

relação à qualidade da equação encontrada, dentre eles, destaca-se o coeficiente de

determinação.

Com relação ao coeficiente de determinação, Downing e Clark (2006) destacam que

ele é o quadrado do coeficiente de correlação e que indica quanto das alterações ocorridas na




128

variável estudada podem ser explicadas pelas alterações ocorridas nas variáveis

independentes. Fávero et al (2009) afirmam que o coeficiente de determinação (R2) traduz a

capacidade explicativa do modelo pesquisado.

Ao relacionar coeficiente de determinação às equações de regressão linear, Maher

(2001) afirma que ele serve para indicar quanto das alterações de custos totais podem ser

explicadas por um direcionador de custo escolhido para análise (variável explicativa).

A estatística t e os testes de significância servem para verificar se os coeficientes

obtidos em uma análise de regressão (o coeficiente de uma variável independente ou, ainda,

os “V’s” da equação geral do custo) são considerados estatisticamente significativos.

Conforme observa Maher (2001), a estatística t serve para avaliar se o coeficiente de uma

variável independente é valido ou não.

Ao abordar os pressupostos da modelagem por meio da análise de regressão, Fávero et

al (2009) apontam três problemas que normalmente podem advir do emprego desta técnica

estatística:

• Autocorrelação dos resíduos;

• Heterocedasticidade; e

• Multicolinearidade.

Com relação à “autocorrelação dos resíduos”, Fávero et al (2009) explicam que este

problema surge quando os resíduos (diferença entre os valores reais da variável de estudo [Yi]

e os valores estimados com base no modelo encontrado [Ŷi], portanto: Yi - Ŷi ) apresentam

correlação com a variável que estudo, ou seja, aquela para qual se busca explicação no

comportamento das variáveis explicativas. Os autores observam que este problema acontece

quando uma ou mais variáveis explicativas não foram incluídas na modelagem pesquisada.

Por isso, os resíduos passam a incorporar os efeitos dessas variáveis.

Segundo Fávero et al (2009), problemas de autocorrelação dos resíduos podem ser

identificados por meio da formulação da estatística d de Dubin-Watson. A estatística d é

aproximadamente igual a 2(1-p^), sendo que, p^ é coeficiente de correlação entre a amostra e

os resíduos. Logo, se a estatística d gerar um valor próximo de dois, não há indícios de

autocorrelação entre os resíduos. Por outro lado, ocorrerá a autocorrelação entre os resíduos se

dos valores da estatística d forem significantemente diferentes de dois.

A respeito dos problemas envolvendo “heterocedasticidade”, Fávero et al (2009)

afirmam que eles surgem da correlação dos resíduos com uma, ou mais, variáveis

explicativas e, por isso, os erros, ou resíduos, tendem a variar em função desta(s)




129

variável(eis). Ainda conforme os autores, o teste de Breusch-Pagan pode ser usado para testar

a heterocedasticidade em uma regressão linear do modelo. Ele testa se as variâncias dos

resíduos de uma regressão dependem dos valores das variáveis independentes. Neste caso, é

testada a hipótese é de homocedasticidade, ou seja, se os resíduos são normalmente

distribuídos. Assim, se o teste Breusch-Pagan apresentar a probabilidade de um R2 (ou chi)

maior que 0,05 existe a homocedasticidade (ausência de heterocedasticidade). Caso o teste

apresente a probabilidade de um R2 (ou chi) menor que 0,05 não existe a homocedasticidade,

o que indica a presença de heterocedasticidade.

Conforme observado por Fávero et al (2009), os problemas de “multicolinearidade”

surgem quando as variáveis explicativas apresentam comportamentos (variações

semelhantes), denotando assim, uma correlação elevada entre elas. Segundo os autores, a

multicolinearidade pode ser diagnosticada por meio das estatísticas VIF (variance inflation

factor) e Tolerância (tolerance). Sendo que, ainda de acordo com Fávero et al (2009) e ao

contrário do que muitos autores afirmam (valores inferiores a dez), a estatística VIF tem que

apresentar valores inferiores a cinco para que seja descartada a hipótese de

multicolinearidade. Com relação à adoção do parâmetro cinco ao invés de dez, como

preceituado por alguns autores, Fávero et al (2009, p. 359-360) esclarecem que, “na prática,

valores de VIF acima de cinco já podem conduzir a problemas de multicolinearidade, uma vez

que, para o caso de VIF é igual a cinco, o R2 entre a variável explicativa em análise e as

demais variáveis será 0,80 (Tolerance = 0,20)”.

Fávero et al (2009) esclarece que a estatística Tolerância indica o quanto da variação

de uma variável explicativa independe das demais variáveis explicativas. Logo, se a

Tolerância for baixa, haverá indícios de que a variável explicativa analisada compartilha de

um percentual expressivo da sua variância com as demais variáveis explicativas e, portanto,

esta variável apresenta multicolinearidade.

Independente dos testes estatísticos aplicados para identificação e validação dos

modelos de regressão, Maher (2001) destaca que a previsão de custos futuros normalmente

apresenta, em maior ou menor grau, algum percentual de erro. Contudo, o autor também

afirma que é possível situar tais erros dentro de intervalos aceitáveis. Estes intervalos são

estatisticamente denominados “intervalos de confiança”. Ou seja, “um intervalo de previsão

representa uma faixa dentro da qual se espera que o custo venha a cair, com certa frequência”

(MAHER, 2001, p 418).




130

Adicionalmente, além de intervalos de confiança e testes estatísticos, Horngren et al

(2004) salientam que ao realizar estimativas de custos com base na análise de regressão, deve-

se levar em conta, também, a plausibilidade econômica em relação ao contexto em que

equação encontrada é aplicada.

4. Análise dos Dados

Um sistema integrado de produção de frangos de corte tem como característica

principal o fato da criação das aves ocorrer mediante a constituição de uma parceria entre

grandes empresas e pequenos produtores. Sendo que, comumente, os produtores ficam

responsáveis pelo fornecimento da infraestrutura e da mão de obra necessárias à criação das

aves. Já as empresas, chamadas de integradoras, encarregam-se do fornecimento de pintinhos,

fornecimento de ração, medicamentos, vacinas, assistência técnica e, ainda, do repasse da

compensação financeira ao produtor integrado responsável pela criação das aves.

Segundo Canever et al (1998), as alternativas de criação de frangos de corte podem ser

classificadas em três grandes grupos, de acordo com as tecnologias de ambiência e

equipamentos empregados para o manejo alimentar das aves, ou seja: (i) aviários de operação

manual, (ii) aviários automatizados e (iii) aviários. Dentre essas alternativas de sistemas

produtivos, o processo que utiliza aviários de operação manual, por ser o mais simples e o

mais trabalhoso, é o que demanda um maior volume de gastos relacionados à de mão de obra.

Inicialmente foi informado que a população de dados dessa pesquisa contemplaria o

conjunto de informações relativas ao custo mensal (fixos+variáveis) da produção de frangos

de corte no sistema integrado manual relativos aos estados do Rio Grande do Sul (RS), Santa

Catarina (SC), Paraná (PR), Pernambuco (PE), Ceará (CE), São Paulo (SP), Minas Gerais

(MG), Mato Grosso (MT), Mato Grosso do Sul (MS) e Goiás (GO). Contudo, ao analisar a

base de dados disponibilizada pela Embrapa, percebeu-se que ela não estava totalmente

completa. Ou seja, os dados relativos aos estados de Mato Grosso (MT), Pernambuco (PE) e

São Paulo (SP) estavam incompletos (alguns anos não foram informados ou, em alguns anos,

faltaram informações de dois ou mais meses). Logo, só foram analisados os dados relativos

aos estados do Ceará (CE), Goiás (GO), Minas Gerais (MG), Mato Grosso do Sul (MS),

Paraná (PR), Rio Grande do Sul (RS) e Santa Catarina (SC).




131

As informações fornecidas pelas planilhas de custo da “Embrapa Suínos e Aves”,

referentes aos gastos de produção incorridos em 2006, 2007, 2008 e 2009, separam,

mensalmente, os custos totais e unitários em fixos e variáveis.

Nas suas informações, a Embrapa considerou os “gastos financeiros” como custos de

natureza fixa. Entretanto, sob a ótica da boa teoria de custos, isto está incorreto. Pois,

conforme observa Martins (2003), as despesas financeiras estão relacionadas à falta de

recursos financeiros e, por isso, não devem ser considerados custos de produção. Assim, os

“gastos financeiros” foram excluídos da categoria de custos fixos e tratados como a variável

de estudo deste trabalho, portanto, a variável para qual a foi investigado um modelo

explicativo baseado no comportamento dos custos de produção (fixos e variáveis).

Conforme já discutido na revisão bibliográfica deste trabalho, o processo de regressão

linear permite a inclusão de mais de uma variável explicativa do comportamento dos custos.

Por isso, mediante a utilização da metodologia estatística de regressão múltipla, procurou-se

estudar o comportamento da variável “gastos financeiros” a partir das variações ocorridas nos

gastos mensais relativos ao processo produtivo de frangos para abate, ao longo dos anos de

2006, 2007, 2008 e 2009, nos estados alvos desta pesquisa. Como variáveis explicativas da

ocorrência das despesas financeiras foram considerados os montantes de custos fixos totais

(variável X1) e os montantes de custos variáveis totais (variável X2).

Assim, depois de realizado este primeiro passo do processo de análise quantitativa,

obteve-se uma modelagem do tipo “Ŷ = F+V1X1+V2X2”, para cada um dos sete estados

estudados, conforme informações detalhadas pela Tabela 1, apresentada a seguir.

Tabela 1. Coeficientes da equação de gastos financeiros apurados mediante análise de

regressão linear múltipla1

Estado Constante (V1) (V2) Equação pesquisada

Ceará (CE) -6,6301 0,4233 0,0079

Desp. Fin.= -6,6301+0,4233xC.F.+0,0079 xC.V.

Goiás (GO) -115,6158 0, 5779 0, 0056

Desp. Fin.= -115,6158+0, 5779xC.F.+0, 0056 xC.V.

Minas Gerais (MG) 108,5414 0, 3048 0, 0084

Desp. Fin.= 108,5414+0, 3048 xC.F.+0, 0084 xC.V.

Mato Grosso do Sul (MS) 68,8846 0, 3794 0, 0144

Desp. Fin.= 68,8846+0, 3794 xC.F.+0, 0144 xC.V.

Paraná (PR) 200.5501 0, 1714 0, 0504

Desp. Fin.= 200.5501+0, 1714 xC.F.+0, 0504 xC.V.

Rio Grande do Sul (RS) 2,1324 0, 4168 0, 0068

Desp. Fin.= 2,1324+0, 4168 xC.F.+0, 0068 xC.V.

Santa Catarina (SC) 34,0275 0, 3550 0, 0178

Desp. Fin.= 34,0275 xC.F.+0, 3550+0, 0178 xC.V.(1) Período de análise: mês a mês, ao longo dos anos de 2006, 2007, 2008 e 2009 Fonte: dados da pesquisa




132

Conforme pode ser constatado na Tabela 2, apresentada na sequência, exceto pelo

estado do Paraná (PR), as equações de regressão linear múltipla apresentaram valores

satisfatórios em relação aos respectivos coeficientes de determinação (coluna “R2”), ou seja,

todas elas apresentaram um elevado poder preditivo.

Tabela 2. Resumo das estatísticas da regressão linear múltipla para um intervalo de

confiança de 95%

Estado R2 = Coeficiente de

determinação da equação pesquisada

Variável Std. Err. t P>|t| [95% Conf. Interval]

Ceará (CE) 0,999981 C.Fix.(V1) 0,0006 668,6100 0,0000 0,4221 0,4246 C.Var.(V2) 0,0001 131,0600 0,0000 0,0078 0,0081 Const. 0,1751 -37,8700 0,0000 -6,9832 -6,2770

Goiás (GO) 0,998444 C.Fix.(V1) 0,0037 157,0700 0,0000 0,5705 0,5853 C.Var.(V2) 0,0007 7,8900 0,0000 0,0042 0,0071 Const. 9,1802 -12,5900 0,0000 -134,1173 -97,1144

Minas Gerais (MG) 0,996358 C.Fix.(V1) 0,0070 43,8000 0,0000 0,2908 0,3189 C.Var.(V2) 0,0007 12,4000 0,0000 0,0071 0,0098 Const. 4,9110 22,1000 0,0000 98,6439 118,4391

Mato Grosso do Sul (MS)

0,999861 C.Fix.(V1) 0,0015 252,6400 0,0000 0,3764 0,3824 C.Var.(V2) 0,0011 12,6700 0,0000 0,0122 0,0168 Const. 3,7255 18,4900 0,0000 61,3662 76,4031

Paraná (PR) 0,164479 C.Fix.(V1) 0,0357 4,8100 0,0000 0,0995 0,2433 C.Var.(V2) 0,0159 3,1700 0,0030 0,0183 0,0825 Const. 91,8365 2,1800 0,0340 15,3443 385,7590

Rio Grande do Sul (RS)

0,998451 C.Fix.(V1) 0,0061 67,7900 0,0000 0,4044 0,4292 C.Var.(V2) 0,0010 6,5800 0,0000 0,0047 0,0089 Const. 3,2740 0,6500 0,5180 -4,4702 8,7351

Santa Catarina (SC) 0,984131 C.Fix.(V1) 0,0108 32,8900 0,0000 0,3333 0,3768 C.Var.(V2) 0,0024 7,2800 0,0000 0,0129 0,0228 Const. 7,4886 4,5400 0,0000 18,9149 49,1403

Fonte: dados da pesquisa

Ainda com base nas informações apresentadas pela Tabela 2, ao avaliar as estatísticas

referentes aos coeficientes encontrados para a composição dos modelos pesquisados para cada

estado, percebe-se que a maioria deles apresentou elevados índices para as respectivas

“estatísticas t” (coluna “t”). Adicionalmente, os respectivos testes de significância (coluna

“P>|t|”) foram todos inferiores 0,05, o que indicaria que tais coeficientes poderiam,

inicialmente, ser assumidos para constituição da modelagem pesquisada, se admitida uma

margem de erro em torno de 5% (intervalo de confiança).

Cabe destacar que foi dito que “a maioria dos coeficientes poderia ser considerada

como satisfatória”, pois, somente os coeficientes que representariam a variável constante




133

(intercepto de y) na modelagem pesquisada para os estados do RS e SC não obtiveram índices

válidos, ou melhor, satisfatórios para as respectivas estatísticas t e seus testes de significância.

Apesar de tudo parecer contribuir para aceitação das equações encontradas

inicialmente (modelos pesquisados), ao se levar em conta que todos aqueles índices

encontrados para os testes estatísticos expostos até este ponto foram realizados considerando

um intervalo de confiabilidade em torno de 95% (portanto, admitindo uma margem de erro de

5%), ao proceder uma rápida análise na coluna “Std. Err.” da Tabela 2, percebe-se que alguns

dos coeficientes encontrados apresentaram um elevado índice de erro, indicando uma elevada

possibilidade de oscilação nas estimativas que vierem a se realizadas mediante o uso daquelas

equações apresentadas na última coluna da Tabela 1.

Ao final da revisão bibliográfica realizada para constituição da plataforma teórica que

forneceu o devido suporte a esta pesquisa, foi dito que, normalmente, o emprego da técnica

estatística de regressão linear múltipla pode trazer consigo três problemas decorrentes da

escolha inadequada das variáveis que irão compor o modelo pesquisado, ou seja, problemas

de autocorrelação dos resíduos, problemas de heterocedasticidade e problemas relacionados à

multicolinearidade (FÁVERO et al, 2009). Assim, a segunda etapa deste trabalho consistiu na

realização dos testes estatísticos para avaliar a existência de problemas de tais naturezas.

A Tabela 3 apresentada a seguir, informa os resultados das estatísticas VIF (variance

inflation factor) e de Tolerância (tolerance), ambas utilizadas para o diagnóstico da existência

de multicolinearidade entre as variáveis explicativas (Custos fixos e Custos Variáveis).

Devido a natureza destes dois testes, quanto maior a estatística VIF menor a sua estatística de

Tolerância.




134

Tabela 3. Resumo das estatísticas VIF (variance inflation factor) e Tolerância

(tolerance) para verificação de problemas de multicolinearidade nas variáveis “C.Fix.(V1

= Custos Fixo)” e “C.Var.(V2= Custos variáveis)”

Estado Variável

VIF (variance

inflation

factor)

Tolerância (1/VIF)

Diagnóstico

Ceará (CE) C.Fix.(V1) 5,53 0,1808

Apresenta fortes indícios de multicolinearidade C.Var.(V2) 5,53 0,1808

Mean VIF 5,53

Goiás (GO) C.Fix.(V1) 1,11 0,8985

Não apresenta indícios de multicolinearidade C.Var.(V2) 1,11 0,8985

Mean VIF 1,11

Minas Gerais (MG) C.Fix.(V1) 3,81 0,2624

Pode apresentar indícios de multicolinearidade C.Var.(V2) 3,81 0,2624

Mean VIF 3,81

Mato Grosso do Sul (MS) C.Fix.(V1) 3,97 0,2519


Mean VIF 3,97

Paraná (PR) C.Fix.(V1) 1,00 0,9999

Não apresenta indícios de multicolinearidade C.Var.(V2) 1,00 0,9999

Mean VIF 1,00

Rio Grande do Sul (RS) C.Fix.(V1) 8,23 0,1215

Apresenta fortes indícios de multicolinearidade

C.Var.(V2) 8,23 0,1215 Mean VIF 8,23

Santa Catarina (SC) C.Fix.(V1) 2,98 0,3361


Mean VIF 2,98 Fonte: dados da pesquisa

De acordo com Fávero et al (2009) quanto menor a estatística VIF. e maior a

estatística de tolerância, maior será a independência das variáveis explicativas e, por

consequência, isto indicará a inexistência de multicolinearidade. Por outro lado, quanto maior

a estatística VIF menor será a independência das variáveis explicativas e, portanto, maior a

correlação entre elas, denotando, assim, fortes indícios de existência de multicolinearidade

entre essas variáveis. Ainda segundo Fávero et al (2009), uma estatística VIF igual ou maior

que 5, o que representa uma tolerância de 0,20 ou menos, já é suficiente para indicar a

existência de multicolinearidade entre as variáveis explicativas do modelo proposto.

Diante das informações apresentadas os modelos pesquisados para os estados do CE e

RS não podem ser considerados válidos, pois, eles apresentaram fortes indícios de existência

de multicolinearidade entre as variáveis explicativas “Custos Fixos” e “Custos Variáveis”. Já

os modelos pesquisados para MG, MS e SC podem apresentar alguns indícios de

multicolinearidade, isto é, nestes três casos, os índices encontrados ainda não inviabilizam as




135

variáveis explicativas dos respectivos modelos, contudo, merecem um pouco mais de atenção.

Por fim, as variáveis explicativas “Custos Fixos” e “Custos Variáveis” não apresentaram

indícios de multicolinearidade nos modelos propostos para os estados do PR e SC.

A Tabela 4, apresentada abaixo, informa os resultados do teste de Breusch-Pagan,

realizado para o diagnóstico de heterocedasticidade. Sendo que, conforme já informado antes,

se o teste Breusch-Pagan apresentar a probabilidade de um R2 (ou chi) maior que 0,05 existe

a homocedasticidade (ausência de heterocedasticidade). Caso o teste apresente a

probabilidade de um R2 (ou chi) menor que 0,05 não existe a homocedasticidade, o que indica

a presença de heterocedasticidade.

Tabela 4. Resumo das estatísticas envolvendo o teste de Breusch-Pagan para verificação de

problemas de heterocedasticidade dos resíduos gerados pelos modelos e as respectivas variáveis

explicativas

Estado chi2 Teste de

significância (Prob > chi2)

Parâmetro para diagnóstico

(Prob crítico) Diagnóstico

Ceará (CE) 3,68 0,0552 0,05 Existe homocedasticidade e

ausência de heterocedasticidade

Goiás (GO) 3,41 0,0646 0,05 Existe homocedasticidade e


Minas Gerais (MG) 0,28 0,5972 0,05 Existe homocedasticidade e


Mato Grosso do Sul (MS) 0,05 0,8286 0,05 Existe homocedasticidade e


Paraná (PR) 1,62 0,2028 0,05 Existe homocedasticidade e


Rio Grande do Sul (RS) 10,69 0,0011 0,05 Presença de heterocedasticidade

Santa Catarina (SC) 29,38 0,0000 0,05 Presença de heterocedasticidade


Se por um lado as variáveis explicativas “Custos Fixos” e “Custos Variáveis” não

apresentaram indícios de multicolinearidade nos modelos propostos para os estados do PR e

SC, por outro, aquelas variáveis apresentaram forte correlação com os resíduos (erros)

gerados pelas respectivas equações pesquisadas em relação aos montantes reais da variável de

estudo (despesas financeiras), e, por isso, os erros (ou resíduos) tendem a variar em função

destas variáveis. Logo, os modelos pesquisados para estes dois estados foram considerados

inadequados devido a existência de multicolinearidade.

Apesar do modelo pesquisado para o estado do CE não ser considerado válido em

função da existência de fortes indícios de multicolinearidade, ele não apresentou problemas de




136

heterocedasticidade. Os modelos pesquisados para o RS e SC apresentaram

heterocedasticidade. Finalmente, os modelos pesquisados para GO, PR, MG e MS não

apresentaram indícios de heterocedasticidade, contudo, os dois últimos (MG e MS) não

apresentaram indicadores muito satisfatórios com relação à possibilidade de existência de

multicolinearidade.

A Tabela 5, apresentada no início da próxima página, contém o resumo das estatísticas

d referentes ao teste de Dubin-Watson para avaliação da presença de problemas relacionados

à autocorrelação dos resíduos gerados pelos modelos pesquisados para cada estado. Conforme

poderá ser constatado, todos os modelos pesquisados apresentaram autocorrelação dos

resíduos, exceto o estado do RS. Contudo, o modelo pesquisado para o RS já havia sido

desqualificado anteriormente por apresentar problemas multicedasticidade e

heterocedasticidade.

Diante das evidências constatadas inicialmente, percebe-se que seis dos sete modelos

pesquisados apresentarem-se aparentemente satisfatórios. Contudo, o aprofundamento do

processo de análise para validação das percepções iniciais, próprio dos trabalhos de natureza

científica, permitiu concluir que nenhuma das modelagens pesquisadas pôde ser considerada

válida, de acordo o objetivo proposto para esta pesquisa.




137

Tabela 5. Resumo das estatísticas d referentes ao teste de Dubin-Watson para verificação de problemas de autocorrelação dos resíduos gerados pelos modelos pesquisados

Estado

"d crítico" para rejeição

de H0 (p > 0), ou seja, d < dL

"d crítico" para

indefinição ou avaliação inconclusiva,

ou seja, dL < d < dU

"d crítico" para NÃO

rejeição de H0 (p = 0), ou seja,

<dU < d < 4-dU

"d crítico" para

indefinição ou avaliação inconclusiva,

ou seja, 4-dU < d < 4-dL

"d crítico" para rejeição

de H0 (p < 0), ou seja, 4-dL < d

Estatística d

Diagnóstico

Ceará (CE) até 1,460 de 1,46 até 1,63

de 1,630 até 2,370

de 2,370 até 2,540

acima de 2,540

0,410 Existe

autocorrelação dos resíduos

Goiás (GO) até 1,460 de 1,46 até 1,63

de 1,630 até 2,370

de 2,370 até 2,540

acima de 2,540

0,209 Existe


Minas Gerais (MG)

até 1,460 de 1,46 até 1,63

de 1,630 até 2,370

de 2,370 até 2,540

acima de 2,540

0,089 Existe


Mato Grosso do Sul (MS)

até 1,460 de 1,46 até 1,63

de 1,630 até 2,370

de 2,370 até 2,540

acima de 2,540

0,330 Existe


Paraná (PR) até 1,460 de 1,46 até 1,63

de 1,630 até 2,370

de 2,370 até 2,540

acima de 2,540

0,173 Existe


Rio Grande do Sul (RS)

até 1,460 de 1,46 até 1,63

de 1,630 até 2,370

de 2,370 até 2,540

acima de 2,540

2,165 NÃO existe


Santa Catarina (SC)

até 1,460 de 1,46 até 1,63

de 1,630 até 2,370

de 2,370 até 2,540

acima de 2,540

0,550 Existe


(*) dL e dU identificados com base na Tabela de Valores Críticos de Durbin-Watson, para duas variáveis explicativas e 48 observações


5. Considerações Finais

A partir do objetivo geral proposto para este trabalho de natureza empírico-analítica,

buscou-se identificar e propor modelagens matemáticas capazes de permitir o planejamento

de “gastos financeiros” relacionados aos custos da produção de frangos para abate no sistema

de produção integrado com aviários operados manualmente, para os estados do Ceará (CE),

Goiás (GO), Minas Gerais (MG), Mato Grosso do Sul (MS), Rio Grande do Sul (RS), Santa

Catarina (SC) e Paraná (PR).

Por meio da análise de regressão linear múltipla foram identificadas sete equações

que, a princípio, deveriam permitir identificar montantes totais de gastos financeiros, a partir

do comportamento dos custos fixos e custos variáveis relacionados à atividade econômica




138

escolhida para análise, cujos dados de custos mensais e produção são disponibilizados

periodicamente pela divisão de suínos e aves da Embrapa, em conjunto com a Companhia

Nacional de Abastecimento (CONAB).

Caso fossem analisadas somente as estatísticas relativas ao coeficiente de

determinação (R2), erro padrão (Std. Err.), a estatística t e testes de significância de

coeficientes (P>|t|), seis daqueles sete modelos seriam considerados válidos. Contudo,

mediante a ampliação e o aprofundamento dos testes estatísticos escolhidos para realização

desta pesquisa (estatísticas VIF e teste de Tolerância – tolerance, teste Breusch-Pagan e

estatística d de Dubin-Watson), ficou evidente a resposta negativa ao questionamento

direcionador deste trabalho. Ou seja, a partir do comportamento dos custos fixos e custos

variáveis relacionados à produção de frangos para abate não é possível conceber uma

modelagem, baseada na análise de regressão, que seja previsora de despesas financeiras

relacionadas a este tipo de agronegócio.

Contudo, além de responder ao questionamento proposto para o desenvolvimento

desta pesquisa, cabe destacar duas importantes constatações. A primeira delas diz respeito à

necessidade do rigor científico próprio dos trabalhos de tal natureza. Isto é, apesar das

primeiras conclusões apresentarem-se satisfatórias e aparentemente corretas, sempre existirá a

necessidade de se validar tais constatações iniciais para evitar o prejuízo inerente da tomada

de decisões equivocadas, ainda que tais decisões tenham como fundamento informações

estatísticas “relativamente confiáveis”.

A segunda constatação diz respeito ao tipo de conclusão que se pode chegar mesmo

diante de resultados negativos, como foi o caso deste trabalho. Ou seja, apesar dos testes mais

aprofundados indicarem problemas relacionados a multicolinearidade, heterocedasticidade e

autocorrelação de resíduos, algumas importantes evidências podem ser extraídas dos

resultados deste testes.

Por exemplo, a constatação da existência de multicolinearidade indica que as variáveis

explicativas apresentam comportamentos semelhantes, gerando algum tipo de correlação entre

elas. Ou seja, apesar da divisão de suínos e aves da Embrapa divulgar os dados de custos já

classificados como fixos e variáveis, para trabalhos futuros relacionados a segmento

econômico da avicultura para abate seria conveniente realizar uma análise mais aprofundada

com relação a tal classificação. Pois, a correlação entre os montantes de custos fixos e custos

variáveis, revelada pelos testes de estatística VIF e Tolerância, constitui um forte indício de

classificação incorreta dos custos em relação ao volume de produção.




139

Com relação heterocedasticidade indicada pelo teste Breusch-Pagan, a ausência de

variância constante nos resíduos gerados pelos modelos pesquisados, comparativamente aos

montantes reais de gastos financeiros, indica que existem variáveis explicativas que não foram

utilizadas na modelagem pesquisada, ou melhor, a presença de heterocedasticidade evidencia

que provavelmente houve a omissão de variáveis explicativas relevantes. Este fato pode e

deve constituir-se em um referencial para trabalhos futuros. Adicionalmente, para a tomada de

decisões, percebem-se fortes indícios de que os custos de produção em si não são geradores

de despesas financeiras, conforme previsto na teoria adjacente relacionada à administração

financeira e à contabilidade de custos.

Os indícios de omissão de variáveis explicativas relevantes, detectados pelos testes de

verificação de problemas com heterocedasticidade, podem ser corroborados pela presença da

autocorrelação dos resíduos. Pois, se houve a omissão de variáveis relevantes, o montante dos

erros tende a ser maior, e se estes erros são subseqüentes, certamente, poderia inferir-se se tal

comportamento seria amenizado se o modelo de pesquisa contemplasse outras variáveis

explicativas.

Observa-se que este estudo apresentou como limitação o fato da proposição de uma

modelagem matemática para previsão e o planejamento de “gastos financeiros” basear-se

exclusivamente em custos de produção e, portanto, não ter considerado também as

características sociais, culturais e econômicas de cada região, entre outros fatores. Por isso,

sugere-se aplicação desta metodologia, porém, contemplando a inclusão de novas variáveis

explicativas, como uma tentativa de capturar aquelas características próprias de cada região e,

assim, identificar modelos de previsão que possam ser considerados satisfatórios.

Adicionalmente, recomenda-se a continuidade deste estudo mediante a sua aplicação

em outros anos e, ainda, sua aplicação nos outros dois sistemas de produção (sistema de

aviários automatizados e o sistema de aviários climatizados) para os quais os dados de custos

também são disponibilizados nas planilhas da Embrapa. Tudo isso, contemplando também a

inclusão de outras variáveis explicativas nos modelos de pesquisa.

6. Referências Bibliográficas BARBOSA, Alexandro; ASSIS, José Vicente de. Uma aplicação de análise de regressão

simples para estimação do comportamento dos custos totais: o caso do hotel alfa. In:

CONGRESSO BRASILEIRO DE CUSTOS, 7.. 2000. Recife. Anais... Recife: Associação




140

Brasileira de Custos, 2006. Disponível em: <

http://www.abcustos.org.br/texto/viewpublic?ID_TEXTO=2703>. Acesso em: 23 dez. 2010.

BOENTE , Diego Rodrigues et al. Métodos de estimação de custos: estudo de caso de uma

empresa comercial com enfoque na análise de regressão. In: CONGRESSO BRASILEIRO

DE CUSTOS, 13.. 2006. Belo Horizonte. Anais... Belo Horizonte: Associação Brasileira de

Custos, 2006. Disponível em: <

http://www.abcustos.org.br/texto/viewpublic?ID_TEXTO=779 >. Acesso em: 27 dez. 2010.

BRASIL. Secretaria de Relações Internacionais do Agronegócio do Ministério da Agricultura

e Abastecimento. Agronegócio brasileiro: desempenho do comércio exterior. 2. ed. Brasília:

MAPA/SRIA/DPIA/CGOE, 2006.

BRAULE, Ricardo. Estatística aplicada com excel: para cursos de administração e economia.

Rio de Janeiro: Campus, 2001.

CANEVER, M.D. et al. Mudanças tecnológicas na avicultura do oeste catarinense. In:

CONFERÊNCIA APINCO 1998 DE CIÊNCIA E TECNOLOGIA AVÍCOLAS –

TRABALHOS DE PESQUISA AVÍCOLA. Anais... Campinas: 1998. p. 82. Disponível em:

<http://www.cnpsa.embrapa.br/sgc/sgc_publicacoes/apinco1998_p82.pdf >. Acesso em: 10

jun. 2009.

CARMO, Carlos Roberto S. et al. Custos na estrutiocultura: uma comparação entre

metodologias tradicionais de custeio e o ABC. In: CONGRESSO BRASILEIRO DE

CUSTOS, 15.. 2008. Curitiba. Anais... Curitiba: Associação Brasileira de Custos, 2008.

Disponível em: < http://www.abcustos.org.br/texto/viewpublic?ID_TEXTO=2703>. Acesso

em: 23 dez. 2010.

CREPALDI, Silvio Aparecido. Contabilidade rural: uma abordagem decisorial. 2. ed. São

Paulo: Atlas, 1998.

DOWNING, Douglas; CLARK, Jeffrey. Estatística aplicada. Tradução: Alfredo Alves de

Farias. 2.ed. São Paulo: Saraiva, 2006.




141

EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA. Histórico. Disponível em:

<http://www.cnpsa.embrapa.br/?ids=Sn4r807z >. Acesso em: 03 jun. 2009.

______. Informações técnico-científicas. Disponível em:

<http://www.cnpsa.embrapa.br/?ids=Sn6p54k7p>. Acesso em: 03 jun. 2009..

______. Localização. Disponível em: <http://www.cnpsa.embrapa.br/?ids=Sp1b7d9x>.

Acesso em: 03 jun. 2009..

FÁVERO, Luiz Paulo et al. Análise de dados: modelagem multivariada para tomada de

decisões. Rio de Janeiro: Elsevier, 2009.

HANSEN, Don R.; MOWEN, Maryanne M.. Gestão de custos: contabilidade e controle.

Tradução: Robert Brian Taylor. São Paulo: Pioneira Thomson Learning, 2003.

HOFER, Elza et al. Custos de produção aplicados à atividade da estrutiocultura. In:

CONGRESSO BRASILEIRO DE CUSTOS, 13.. 2006, Belo Horizonte. Anais... Belo

Horizonte: Associação Brasileira de Custos, 2006. Disponível em:

<http://www.abcustos.org.br/texto/viewpublic?ID_TEXTO=1910>. Acesso em: 03 dez. 2009.

HORNGREN, Charles T. et al. Contabilidade de custos: uma abordagem gerencial.

Tradução: Robert Brian . vol. 1. 11. ed. São Paulo: Prentice Hall, 2004. v.1.

HORNGREN, Charles T. et al. Contabilidade gerencial. Tradução: Elias Pereira. 12. ed. São

Paulo: Prentice Hall, 2004.

IEZZI, Gelson; MURAKAMI, Carlos. Fundamentos da matemática elementar 1: conjuntos,

funções. 8. ed. São Paulo: Atual, 2004. v.1.

JIAMBALVO, James. Contabilidade Gerencial. Tradução: Antônio Artur de Souza. Rio de

Janeiro: LTC, 2009.




142

LAKATOS, Eva Maria; MARCONI, Marina de Andrade. Técnicas de pesquisa:

planejamento e execução de pesquisas; amostragens e técnicas de pesquisa; elaboração,

análise e interpretação de dados. 7. ed. São Paulo: Atlas, 2008.

MAHER, Michael. Contabilidade de custos: criando valor para a administração. Tradução:

José Evaristo dos Santos. São Paulo: Atlas, 2001.

MARTINS, Eliseu. Contabilidade de custos. 9. ed. São Paulo: Atlas, 2003.

MARTINS, Gilberto de Andrade. Manual para elaboração de monografias e dissertações. 2.

ed. São Paulo: Atlas, 2000.

OLIVEIRA FILHO, Miguel Lopes de. A Utilização da regressão linear como ferramenta

estratégica para a projeção dos custos produção. In: CONGRESSO BRASILEIRO DE

CUSTOS, 9.. 2002. São Paulo. Anais... São Paulo: Associação Brasileira de Custos, 2002.

Disponível em: < http http://www.abcustos.org.br/texto/viewpublic?ID_TEXTO=1295 >.

Acesso em: 26 dez. 2010.

SELL, Isair. Utilização da regressão linear como ferramenta de decisão na gestão de custos.

In: CONGRESSO BRASILEIRO DE CUSTOS, 12., 2005, Florianópolis. Anais...

Florianópolis: Associação Brasileira de Custos, 2005. Disponível em:

<http://www.abcustos.org.br/texto/viewpublic?ID_TEXTO=581>. Acesso em: 10 jan. 2008.

SILVA, Maurício dos Santos et al. Formação de custos na produção de ovos férteis de

matrizes de corte. In: CONGRESSO BRASILEIRO DE CUSTOS, 12., 2005, Florianópolis.

Anais... Florianópolis: Associação Brasileira de Custos, 2005. Disponível em:

<http://www.abcustos.org.br/texto/viewpublic?ID_TEXTO=581>. Acesso em: 10 jan. 2011.

STEVENSON, William J. Estatística aplicada à administração. São Paulo: Harbra, 1986.

planejamento de gastos financeiros na avicultura de … avicultura.pdf · planejamento de gastos...

Documents